論文の概要: Route to Time and Time to Route: Travel Time Estimation from Sparse Trajectories

• arxiv url: http://arxiv.org/abs/2206.10418v1
• Date: Tue, 21 Jun 2022 14:16:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 23:21:23.049796
• Title: Route to Time and Time to Route: Travel Time Estimation from Sparse Trajectories
• Title（参考訳）: 時間と時間と経路の経路--距離軌道からの走行時間の推定-
• Authors: Zhiwen Zhang, Hongjun Wang, Zipei Fan, Jiyuan Chen, Xuan Song, and Ryosuke Shibasaki
• Abstract要約: 本稿では,スパースシナリオにおける旅行時間推定(TTE)と経路回復の問題を解決することを目的とする。 我々は、この問題を、トレーニングデータが粗いラベルを持つ不正確な監督問題として定式化する。 本稿では,推定経路の走行時間をEステップの弱い監督によって推定し,Mステップの走行時間に基づいて経路を抽出するEMアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 7.602975042011819
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the rapid development of Internet of Things (IoT) technologies, many online web apps (e.g., Google Map and Uber) estimate the travel time of trajectory data collected by mobile devices. However, in reality, complex factors, such as network communication and energy constraints, make multiple trajectories collected at a low sampling rate. In this case, this paper aims to resolve the problem of travel time estimation (TTE) and route recovery in sparse scenarios, which often leads to the uncertain label of travel time and route between continuously sampled GPS points. We formulate this problem as an inexact supervision problem in which the training data has coarsely grained labels and jointly solve the tasks of TTE and route recovery. And we argue that both two tasks are complementary to each other in the model-learning procedure and hold such a relation: more precise travel time can lead to better inference for routes, in turn, resulting in a more accurate time estimation). Based on this assumption, we propose an EM algorithm to alternatively estimate the travel time of inferred route through weak supervision in E step and retrieve the route based on estimated travel time in M step for sparse trajectories. We conducted experiments on three real-world trajectory datasets and demonstrated the effectiveness of the proposed method.
• Abstract（参考訳）: IoT(Internet of Things)技術の急速な発展により、多くのオンラインウェブアプリ(Google MapやUberなど)は、モバイルデバイスが収集した軌跡データの移動時間を見積もっている。 しかし、実際には、ネットワーク通信やエネルギー制約といった複雑な要因は、サンプリングレートの低さで複数の軌道を収集する。 本稿では, スパースシナリオにおける移動時間推定(TTE)と経路回復の問題を解決することを目的としており, 連続サンプリングGPS点間の移動時間と経路のラベルが不確実である場合が多い。 我々はこの問題を,トレーニングデータが粗いラベルを持つ不正確な監視問題として定式化し,TTEと経路回復の課題を共同で解決する。 そして、これらの2つのタスクは、モデル学習手順において互いに補完的であり、そのような関係を保っていると主張する。 この仮定に基づき,eステップの弱い監督により推定された経路の走行時間を代替的に推定し,mステップで推定された走行時間に基づいて経路をスパーストラジェクタに対して取得するemアルゴリズムを提案する。 実世界の3つの軌道データセットについて実験を行い,提案手法の有効性を実証した。

関連論文リスト

• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• Multitask Weakly Supervised Learning for Origin Destination Travel Time Estimation [8.531695291898815]
  本論文は,道路網とOD旅行時間とを組み合わせて推定し始める。 現在の経路の共発生確率を最大化する新たな経路回復関数が提案されている。 我々は、Xi'anとChengduで、幅広い現実世界のタクシーのデータセットの実験を行っている。
  論文  参考訳（メタデータ） (2023-01-13T00:11:56Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)
• STAD: Spatio-Temporal Adjustment of Traffic-Oblivious Travel-Time Estimation [1.1731001328350983]
  本稿では,出先,目的地,出発時刻の形式で表現された旅行要求に対して,旅行時間推定を調節するシステムSTADを提案する。 STADは、機械学習とスパーストリップデータを使用して、基本的なルーティングエンジンの欠陥を学習する。 Doha、New York City、Portoの実際の旅行データセットの実験では、最初の2都市では14%、後者では29%の絶対誤差が減少している。
  論文  参考訳（メタデータ） (2020-06-08T09:47:55Z)
• FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
  フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。 異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。 実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
  論文  参考訳（メタデータ） (2020-06-07T08:10:47Z)
• TRIPDECODER: Study Travel Time Attributes and Route Preferences of Metro Systems from Smart Card Data [7.09698718567578]
  筆者らは,都道府県内の旅行の総時間に寄与する各旅行リンクの移動時間を推定する2つの推論タスクを戦略的に提案した。 TripDecoderは両方のデータセットで最高の精度と効率を達成する。
  論文  参考訳（メタデータ） (2020-05-01T08:39:48Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• Neural Networks Model for Travel Time Prediction Based on ODTravel Time Matrix [0.0]
  2つのニューラルネットワークモデル、すなわち多層パーセプトロン(MLP)と長短期モデル(LSTM)を開発し、忙しい経路のリンク移動時間を予測する。 実験の結果,両モデルともほぼ正確な予測が可能であることがわかった。
  論文  参考訳（メタデータ） (2020-04-08T15:01:13Z)
• Street-level Travel-time Estimation via Aggregated Uber Data [2.838842554577539]
  都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。 本研究では,大都市圏の街路レベルの走行時間を推定するために,粗粒度および集約された走行時間データを活用する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-13T21:14:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。